flink 有状态udf 引起血案一

Posted 2021-04-13 浪尖聊大数据

场景

最近在做一个画像的任务，sql实现的，其中有一个udf，会做很多事情，包括将从redis读出历史值加权，并将中间结果和加权后的结果更新到redis。

大家都知道，flink 是可以支持事件处理的，也就是可以没有时间的概念，那么在聚合，join等操作的时候，flink内部会维护一个状态，假如此时你也用redis维护了历史状态，也即是类似 result = currentState（flink）+lastState（redis），且此时要针对计算的结果用where进行筛选.

SQL如下

CREATE VIEW view_count AS
select
  `time`,
  gid,
  cid,
  count(feed_id) * 1 as strength
FROM
  view_cid
GROUP BY
  gid,
  cid,`time`;

CREATE VIEW view_strength AS select
  `time`,
  gid,
  cid ,
  Get_Strength_Weaken(gid, cid, cast(strength as double), `time`, 0.95)  as `result`
FROM
  view_count
;

insert into
  hx_app_server_sink_common
SELECT
  gid,
  cid,
  `result`
FROM
  view_strength
where `result` <> '0.0' 
GROUP BY
  gid,
  cid,
  `result`;

业务分析

第一个sql视图完成的是首先分组，然后统计某一个字段并乘以权重；

第二个sql视图，udf ：Get_Strength_Weaken完成当前值和历史值叠加工作，历史值存储在redis，同时将结果返回并更新redis，返回值作为result字段。

第三个sql在输出的时候，result字段作为了where的条件和group by里的字段。

这时候生成的flink概图如下：

观察中间的结构图可以发现，Get_Strength_Weaken被调用两次：

1. where条件，这个的生成是由于第三条sql

where `result` <> '0.0'

产生的执行计划，是不是看起来很懵逼。。。

2. select里面还有一次调用Get_Strength_Weaken，这个很明显。

当然，可以打印一下flink udf里eval函数的调用细节日志，很容易发现重复调用的问题，浪院长这个也是通过分析日志，对比输出结果来得出的论。

综合上面分析和udf调用日志，结论就是udf被调用了两次。

对于这个flink的udf被多次调用引起的结果偏大，整整调试了一下午。

由于上面分析可以得出结论，flink将where条件下推了，where 条件判断会先执行，而select里后执行，那么可以调整SQL，如下：

CREATE VIEW view_count AS
select
 `time`,
 gid,
 cid,
 count(feed_id) * 1 as strength
FROM
 view_cid
GROUP BY
 gid,
 cid,`time`;

CREATE VIEW view_strength AS select
 `time`,
 gid,
 cid ,
getResult(gid,cid) as `result`
FROM
 view_count
where Get_Strength_Weaken(gid, cid, cast(strength as double), `time`, 0.95)  as `result` <> '0.0'
;

insert into
 hx_app_server_sink_common
SELECT
 gid,
 cid,
 `result`
FROM
 view_strength
GROUP BY
 gid,
 cid,
 `result`;

那么实际上，select里的udf主要目的是取出来计算结果，那么这个时候可以写个简单的udf--getResult，只让他从redis获取 where条件里更新到redis里的结果，由于该udf是无状态的即使多次调用，也无所谓。

所以，总结一下，对于flink 来说，由于基于事件的处理，聚合、join等操作会有状态缓存，那么此时再用到含有外部存储状态的udf，一定要慎重，结合执行计划，来合理放置udf的位置，避免出错。

当然，调试阶段最好是有详细的日志，便于分析和定位问题。

flink 状态删除

其实，flink聚合等内部状态有配置可以使其自动删除的，具体配置使用如下：

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
StreamTableEnvironment tableEnv = TableEnvironment.getTableEnvironment(env);

// obtain query configuration from TableEnvironment
StreamQueryConfig qConfig = tableEnv.queryConfig();
// set query parameters
qConfig.withIdleStateRetentionTime(Time.hours(12));

// define query
Table result = ...

// create TableSink
TableSink<Row> sink = ...

// emit result Table via a TableSink
result.writeToSink(sink, qConfig);

// convert result Table into a DataStream<Row>
DataStream<Row> stream = tableEnv.toAppendStream(result, Row.class, qConfig);

[完]

推荐阅读：